Matlab分类表变量：速度？在连接键中使用？

在Matlab表格的上下文中，我深入了解了Matlab的分类变量池。事实上，我可能在过去漫游过该领域，但如果是这样，那将是一种相对肤浅的方式

这些天，我想用Matlab代码模式来做我在MS Access中通常会做的事情，例如，各种类型的连接和过滤。我的大部分数据都是分类的，我已经阅读了在表中使用分类变量的优点。然而，它们主要集中在描述性（过度枚举的类型）和内存效率上。我没有遇到过提到速度的事。分类变量是否具有速度优势

我还想知道在进行各种类型的连接时使用分类变量有多明智。分类变量将占用不同的表，因此我不清楚如果SQL

ON

子句（Matlab将其称为

keys

参数）中涉及此类变量，如何建立值的等价性

由于缺乏相关的谷歌点击量，我似乎进入了一个新的领域，这对我来说是一件可怕的事情。缺少最佳实践的文档，以及由此产生的对尝试/错误和逆向工程的需求，需要花费比我所能投入的更多的时间，因此我将遗憾地恢复使用字符串

---

如果有人能指出在线指导信息，我将不胜感激。

仅提供部分答案

以下测试表明，catgorized数据在用作连接键时表现良好：

BigList = {'dog' 'cat' 'mouse' 'horse' 'rat'}'
SmallList = BigList( 1 : end-2 )

Nrows = 20;

% Create tables for innerjoin using strings

tBig = table( ...
    (1:Nrows)' , ...
    BigList( ceil( length(BigList) * rand( Nrows , 1 ) ) ) , ...
    'VariableNames' , {'B_ID' 'Animal'} )

tSmall = table( ...
    (1:Nrows)' , ...
    SmallList( ceil( length(SmallList) * rand( Nrows , 1 ) ) ) , ...
    'VariableNames' , {'S_ID' 'Animal'} )

tBigSmall = innerjoin( tBig , tSmall , 'Keys','Animal' );
tBig = sortrows( tBig , {'Animal','B_ID'} );
tSmall = sortrows( tSmall, {'Animal','S_ID'} );
tBigSmall = sortrows( tBigSmall, {'Animal' 'B_ID' 'S_ID'} );

% Now innerjoin the same tables using categorized strings

tcBig = tBig;
tcBig.cAnimal = categorical( tcBig.Animal );
tcBig.Animal = [];

tcSmall = tSmall;
tcSmall.cAnimal = categorical( tcSmall.Animal );
tcSmall.Animal = [];

tcBigSmall = innerjoin( tcBig , tcSmall , 'Keys','cAnimal' );
tcBig = sortrows( tcBig , {'cAnimal','B_ID'} );
tcSmall = sortrows( tcSmall, {'cAnimal','S_ID'} );
tcBigSmall = sortrows( tcBigSmall, {'cAnimal' 'B_ID' 'S_ID'} );

% Check if the join results are the same

if all( tBigSmall.Animal == tcBigSmall.cAnimal )
    disp('categorical vs string key: inner joins MATCH.')
else
    disp('categorical vs string key: inner joins DO NOT MATCH.')
end % if

所以现在唯一的问题是速度。这是一个一般性的问题，不仅仅针对连接，所以我不确定什么是好的测试。有许多可能性，例如表行数、类别数、是联接还是筛选等

---

在任何情况下，我相信这两个问题的答案都会有更好的记录。

您可能对此感兴趣：谢谢，EBH。这是一个更一般的问题，我觉得读起来很有趣。我认识到有很多方法可以对RIG字段查找进行评审，但是我认识到需要权衡使用内置数据类型的权衡（我认为“表”是内置的，因为我不需要构建任何东西）。一些权衡包括必须使用映射将熟悉的名称转换为列索引，以及统一类型2D数组的限制。如果修改列，还需要记住簿记更新列索引的查找表。我以上述方式提出此问题而不是讨论解决方法的部分原因是，我希望避免后者使用更复杂的代码。但我也想知道两个分类变量之间的等价性是如何识别的，例如，如果一个表中的一列的值为“cat”、“dog”、“mouse”，而另一个表中的一列的值为“dog”、“horse”、“whale”。前者中的“狗”是否等同于后者中的“狗”？这决定了表连接和查找的行为。与类别的直接整数枚举相比，使用更可读的类别变量会有速度损失吗？最后一个问题的相关性超出了表联接/查找的范围，但上面的问题也是如此。我认为，在深入了解分类变量之前，对分类变量的新手必须对分类变量进行表征，这并不好。我希望这一描述能为我们决定花时间去了解分类变量提供信息。我不知道你为什么会担心这些事情。是的，int要比范畴aray快，因为（1）int是本机类型，而另一个是用户类，（2）在比较值之前，总是要比较所涉及的类别。这些值首先需要映射到一组公共类别。但这两件事都不会影响大多数用户的选择。选择使代码最具可读性和可维护性的语法。这比执行时间上的任何微小差异都要重要。如果你关心速度，使用C++。我想添加到这一点上，如果两个字段的类别的基础排序相同，则只能加入序号分类字段（例如，代码>分类（…，‘序号’，true）< /代码>）。